AI자동화

대규모 코드베이스 컨텍스트: claude-context vs RAG 2026

claude-context vs LlamaIndex RAG 대규모 코드베이스 토큰 절감 2026
공개 사항: KuzCloud는 Mac 호스팅 가이드를 발행합니다. claude-context와 LlamaIndex는 서드파티 도구이며, 본 글은 기술 조사이지 제품 추천이 아닙니다.
요약: monorepo가 약 50만 줄을 넘으면 폴더 전체를 Claude나 Cursor에 넣는 순간 컨텍스트 창과 토큰 청구서가 함께 터집니다. claude-context(zilliztech/claude-context)는 AST 인식 청크 + BM25/벡터 하이브리드 검색 MCP 서버로 관련 스니펫만 돌려줍니다. 전통적 LlamaIndex RAG는 로드→청크→임베딩→벡터 스토어→쿼리를 직접 조립하는 Python 파이프라인입니다. 경험칙: Claude Code/Cursor 사용자는 claude-context로 가장 빠른 효과; 문서+티켓+코드 혼합이나 에어갭이면 LlamaIndex. 둘 다 diff 검토를 대체하지는 않지만, 턴당 주입 토큰은 줄일 수 있습니다.

대규모 repo에서 토큰 비용이 폭증하는 이유

풀스택 입문자가 같은 벽에 부딪힙니다.

  • 「repo 전체를 읽어줘」 — 200파일×약 2k 토큰 ≈ 40만 토큰(답변 전에 수 달러)
  • grep 스파이럴 — 매 hit마다 파일 전체를 열어 무관한 import로 컨텍스트가 찹니다
  • 망각 리팩터 — 3턴째에 1턴을 잊음(호스트가 히스토리 절단)

Cursor·Claude Code 증상: 「context full」, 요약 압축, 파일 내용 조용한 드롭.

해답은 더 큰 모델이 아니라 검색(retrieval)입니다. 8~20개의 작은 청크(각 200~600 토큰)를 가져오고 파일 8개 통째(각 3k+)는 피하세요.

두 접근 비교표

차원claude-context (MCP)LlamaIndex RAG
정체기성 MCP+인덱서 (@zilliz/claude-context-mcp)직접 조립 Python
청킹AST + Merkle 증분선택 (CodeSplitter 등)
검색하이브리드 BM25+벡터주로 벡터
벡터 DBMilvus / Zilliz CloudChroma, Qdrant, pgvector…
IDE 통합Claude Code, Cursor (MCP)스크립트, 커스텀 봇
첫 검색까지약 30~90분 (10만~50만 LOC)튜닝 시 수시간~수일
지속 비용임베딩 API+벡터 호스팅동일(전 라인 자체 관리)
최적IDE 「repo 검색」혼합 코퍼스, 온프레만

참고: LlamaIndex 문서, claude-context GitHub.

claude-context 동작 (MCP)

Your repo ──► AST chunker + embeddings ──► Milvus/Zilliz index
                                              │
User question ──► Claude/Cursor ──► MCP search_code ──► top-K chunks ──► model context

일반 도구: index_codebase, search_code, get_indexing_status, clear_index.

하이브리드가 코드에 필요한 이유: 순수 벡터는 UserAuthService_v2 같은 심볼을 놓칩니다. BM25는 식별자, 벡터는 「JWT 만료 검증 위치」 같은 의미를 잡습니다.

claude mcp add claude-context \
  -e OPENAI_API_KEY=your_key \
  -e MILVUS_TOKEN=your_zilliz_token \
  -- npx @zilliz/claude-context-mcp@latest

세션에서 한 번 index 후 자연어 질의. 커스텀 MCP와 병행해 내부 API도 같은 호스트에 둘 수 있습니다.

LlamaIndex RAG (DIY)

Documents ──► LlamaIndex loaders ──► chunk ──► embed ──► VectorStoreIndex
                                                          │
Question ──► query_engine.query() ──► retrieved nodes ──► LLM prompt
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.embeddings.openai import OpenAIEmbedding

Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-small")
docs = SimpleDirectoryReader("~/my-monorepo", recursive=True).load_data()
index = VectorStoreIndex.from_documents(docs)
qe = index.as_query_engine(similarity_top_k=8)
print(qe.query("Where is rate limiting configured for the public API?"))

직접 추가: node_modules 제외, 언어별 스플리터, path:packages/api/** 필터, MCP 래퍼(선택).

강점: PDF 런북+Jira+코드를 한 retriever에 — claude-context는 코드 우선입니다.

토큰 산출 (감사 시나리오)

과제: 「모든 auth middleware 찾고 CSRF를 건너뛰는 라우트 나열」. 약 1,200파일, 6함수·4경로.

전략주입 토큰(크기)비고
src/ 트리+무작위 10파일12만~25만가장 빠른 파산
grep+전체 파일(5 hit)2.5만~6만보일러플레이트 多
claude-context top-83k~8k함수 단위
LlamaIndex top-83k~1만유사
사람(파일 2개)약 2kRAG 이상형

탐색 작업에서 naive 「전부 읽기」 대비 70~90% 낮춤이 흔합니다. 한 줄 수정은 grep이면 충분할 때도 있습니다.

숨은 비용: 첫 인덱스(50만 LOC 약 $0.50~$5), 벡터 호스팅(무료 티어 $0~25/월), 대규모 머지 후 재인덱스.

시나리오별 선택

시나리오 A — Cursor / Claude Code, GitHub monorepo

「billing webhook 검증기 위치」를 @ 없이 묻고 싶다면 claude-context. 호스트는 Claude Code 대안 위에 MCP를 얹는 패턴이 많습니다.

시나리오 B — 컴플라이언스 에어갭

LlamaIndex + 로컬 LanceDB/Chroma. claude-context 기본은 외부 임베딩 API·Milvus 가정 — 오프라인 임베딩을 명시 설계하세요.

시나리오 C — OpenClaw / ECC 야간 스캔

OpenClaw 멀티 에이전트는 토큰을 증폭합니다. repo당 단일 인덱스를 모든 워커가 공유하는 편이 각자 src/를 재읽는 것보다 낫습니다.

시나리오 D — 긴 스레드에서 context 리셋

검색은 채팅 히스토리를 늘리지 않고 턴 주입을 줄입니다. 작업마다 새 세션, 청크만 pin, 2k줄 파일 재붙여넣기 금지. ECC 가이드 참고.

8단계 병렬 런북

1~4단계 — 공통 준비

  1. 베이스라인 측정 — 1주 「grep+전체 파일」 지출 기록.
  2. 파일럿 repo 하나 — 먼저 단일 서비스.
  3. ignore 규칙 — node_modules, dist, .git, 생성 protobuf 제외.
  4. 벤치마크 질문 3개 — auth, billing webhook, feature flag.

5~8단계 — 경로 A: claude-context

  1. MCP 등록; claude mcp list 확인.
  2. index_codebase; get_indexing_status 완료 대기.
  3. 「search_code: admin 라우트 CSRF 비활성 위치?」 — 인용이 chunk 크기인지 확인.
  4. 해당 턴 토큰을 베이스라인과 비교.

5~8단계 — 경로 B: LlamaIndex

  1. venv에서 pip install llama-index llama-index-embeddings-openai.
  2. persist_dir="./rag_index"로 영속화.
  3. 20줄 CLI 또는 FastAPI로 query_engine 래핑.
  4. 동일 3질문으로 품질·임베딩 항목 비교.

로컬 호스팅 (선택)

인덱싱은 CPU+디스크 부담(API 임베딩이면 GPU 불필요). 상시 Mac 16GB로 Milvus Lite급 중형 repo, Ollama 병행 시 24GB. M4 메모리 매트릭스로 사이징 — 서울 노드 Anthropic API 중앙값 RTT 29ms(API 지연 참고만).

문제 해결

search_code 빈 결과

경로 오류·오래된 index → 절대 경로로 index_codebase 재실행, src/ ignore 여부 확인.

LlamaIndex가 잘못된 패키지

monorepo 혼합 → MetadataFilter(key="file_path", value="packages/api").

RAG 후에도 고비용

검색 후 전체 파일 읽기 → 「청크만, 부족할 때만 전체 파일」 프롬프트.

Node 24 실패

업스트림 Node <24 → nvm use 22.

상황선택
Claude Code / Cursor, 최단 효과claude-context
문서+코드+티켓 혼합LlamaIndex
클라우드 벡터 DB 제로LlamaIndex+로컬 DB
기존 MCPclaude-context 추가
200줄 단일 파일둘 다 불필요

MCP 호스트에서 repo 검색이 아프면 claude-context. 커스텀 코퍼스가 아프면 LlamaIndex.

FAQ

claude-context가 Claude 프로젝트 지식과 같나요?

아닙니다. 별도 인덱서이며 하이브리드 코드 검색·증분 동기화가 있습니다.

LlamaIndex가 대체하나요?

코드 Q&A에서 겹칩니다. LlamaIndex는 넓고 자체 호스팅, claude-context는 IDE 통합에 특화됩니다.

RAG가 잘못된 편집을 고치나요?

아닙니다. 발견을 개선합니다. 테스트·리뷰는 필수입니다.

재인덱싱 주기는?

대규모 머지 후 또는 활발한 main에서 주간이 일반적입니다.

중국 본토 npm/네트워크는?

안정적인 원격 개발 박스(SSH)에서 인덱싱해 경로를 일정하게 유지 — OpenClaw 원격 설정과 유사한 패턴입니다.

관련 가이드

리포지토리 검색을 시험했다면 원격 Mac 개발 환경과 M4 메모리 매트릭스 글도 참고하세요 — 기술 참고용입니다.